Oltre 30 agenti di IA industriale da tenere d'occhio

Gli agenti di intelligenza artificiale industriale superano i limiti dei dati isolati integrando autonomamente e ricavando informazioni utili da dispositivi IoT, sistemi di controllo (ad esempio SCADA) e risorse connesse.

• Alcuni (ad esempio, Nexus) hanno un comportamento orientato agli obiettivi, in cui regolano attivamente variabili chiave come le metriche di produttività/qualità.
• Altri sono progettati per attività semi-autonome, come il rilevamento dei guasti o la pianificazione automatizzata, dove supportano il processo decisionale umano fornendo informazioni operative.

Di seguito è riportata una panoramica, suddivisa per categorie, di oltre 30 fornitori chiave che offrono piattaforme e strumenti basati su agenti di intelligenza artificiale:

Per esplorare ciascuna sezione e scoprire i fornitori, gli strumenti, le piattaforme, le funzionalità e le aree di interesse pertinenti, fai clic sui collegamenti seguenti:

All'interno del panorama degli agenti di intelligenza artificiale in ambito industriale

Negli ultimi anni si è discusso ampiamente degli agenti di intelligenza artificiale in ambito industriale, spesso con notevoli ambizioni. Tuttavia, l'implementazione e l'impatto di questi sistemi sono ancora in fase di sviluppo. Quello che segue è una valutazione concreta del loro stato attuale, strutturata attorno a sei tendenze osservabili, con esempi rappresentativi tratti da implementazioni industriali.

Stanno emergendo piani di controllo basati su agenti generici; gli stack industriali potrebbero adottarli con ulteriori livelli di sicurezza OT. ¹

1. Dai sistemi generici ai sistemi verticalizzati

Nelle operazioni industriali, l'attenzione si concentra su agenti di intelligenza artificiale con ambito di applicazione ristretto e sistemi specifici per un determinato dominio.

Questi agenti operano entro confini ben definiti, utilizzando dati industriali strutturati per risolvere problemi specifici in cui il contesto e il feedback sono chiari.

L'adozione in genere inizia con l'integrazione verticale in aree come la produzione, la logistica e gli acquisti, per poi espandersi alle funzioni adiacenti.

Alcuni esempi tratti dal tuo elenco includono:

• Praxie per la pianificazione della produzione
• Intelligenza artificiale Mandel per l'ottimizzazione della logistica
• Arkestro per l'automazione degli acquisti
• Phaidra per il controllo energetico
• Juna AI per la regolazione continua dei processi

Esempio concreto:

Il sistema di pianificazione della produzione basato sull'intelligenza artificiale di Praxie si concentra specificamente sulla regolazione dei programmi. Non controlla direttamente i macchinari né tenta di gestire l'intero ciclo di vita della produzione.

2. Dove gli agenti e gli strumenti di intelligenza artificiale apportano valore

Uno dei casi in cui gli agenti e gli strumenti di intelligenza artificiale risultano più efficaci è quando operano in contesti con un feedback abbondante e segnali di ricompensa chiari, come ad esempio la produttività o la riduzione dei difetti.

Esempio concreto:

Rilevamento dei difetti tramite deep learning nel settore aerospaziale:

Nella produzione di componenti aerospaziali, un sistema di rilevamento dei difetti è stato utilizzato nelle prime fasi del processo di assemblaggio per individuare i pezzi difettosi prima dell'integrazione. Ciò ha ridotto i tempi di rilavorazione di circa il 50%.

Utilizzo di strumenti di intelligenza artificiale che rilevano i difetti nella fase di integrazione e consentono allo stabilimento di produzione di ottimizzare i propri processi in una fase precoce. ³

Il ritardo indotto prima dell'applicazione del modello di rilevamento dei difetti basato sull'IA era di 13,01 giorni, che è stato ridotto a 6,13 giorni. ⁴

3. Architetture che perseguono il controllo a ciclo completo

Alcuni sistemi industriali ora integrano agenti in grado di eseguire attività di rilevamento, pianificazione e attuazione all'interno della stessa architettura. Sebbene tali agenti siano spesso limitati a ruoli consultivi o semi-autonomi, segnalano un cambiamento verso l'integrazione dell'IA nell'intero ciclo di controllo.

Esempio concreto:

Azure AI Foundry di Microsoft include agenti di fabbrica che analizzano la telemetria del reparto produttivo, pianificano le regolazioni dei parametri e forniscono raccomandazioni o attivano flussi di lavoro all'interno dei sistemi di produzione.

Questa configurazione avvicina il rilevamento e la pianificazione all'esecuzione, anche se l'autonomia completa non è ancora la norma. ⁵

4. Strumenti modulari e specifici per ogni attività

Oggi la maggior parte dei sistemi di intelligenza artificiale industriale si presenta sotto forma di agenti modulari monofunzionali integrati in architetture IT o di controllo più ampie. Questi strumenti sono in genere progettati per una funzione specifica, come la manutenzione predittiva, la diagnostica o la pianificazione.

Tuttavia, questi non funzionano come sistemi multi-agente e questa modularità limita anche la loro capacità di orchestrare flussi di lavoro complessi.

Esempio concreto:

MakinaRocks offre agenti basati su sensori, focalizzati sulla manutenzione predittiva e sul rilevamento delle anomalie. Si integra con i livelli SCADA esistenti per fornire informazioni ai sistemi di controllo, ma non raggiunge la completa autonomia operativa.

5. Integrazione incrementale anziché sostituzione del sistema.

Contrariamente alle previsioni iniziali, l'autonomia industriale non si raggiungerà attraverso una riprogettazione completa del sistema.

Al contrario, gli agenti vengono gradualmente integrati nell'infrastruttura esistente. La maggior parte delle implementazioni si concentra sull'integrazione, non sulla sostituzione, dei sistemi di controllo tradizionali.

Esempio concreto:

La piattaforma Mímir di Waltero aggiunge strumenti basati sull'intelligenza artificiale ai sistemi SCADA esistenti, senza sostituire l'infrastruttura di controllo originale. ⁸

6. Estensione degli agenti alle operazioni di livello superiore

Alcuni agenti di intelligenza artificiale sono in fase di sviluppo per casi d'uso che vanno oltre il livello di controllo, tra cui la pianificazione, la gestione delle scorte e gli acquisti. Non si tratta di sistemi in tempo reale, ma operano in combinazione con il software ERP per allineare la logica aziendale con i dati operativi.

Esempi concreti:

• Ameba AI offre un agente di pianificazione integrato nel sistema ERP che regola i programmi di produzione in base ai livelli di inventario e ai segnali in tempo reale provenienti dalla fabbrica.

• Juna AI utilizza l'apprendimento per rinforzo per ottimizzare molteplici obiettivi operativi come il consumo energetico, la qualità e la produttività.

• C3 AI fornisce strumenti di ottimizzazione delle scorte e della pianificazione della produzione che analizzano i dati aziendali per regolare i livelli di riordino, modellare il rischio di approvvigionamento e ottimizzare le sequenze di produzione.

Oltre 30 agenti e piattaforme di intelligenza artificiale per il settore industriale

Operazioni di produzione

1. Pianificazione e programmazione della produzione

Agenti/piattaforme di intelligenza artificiale che generano, perfezionano e adattano i programmi di produzione in base a regole, vincoli e segnali di fabbrica in tempo reale.

• Aitomatic (agente di pianificazione della produzione basato su informazioni di esperti): utilizza regole operative incorporate e vincoli specifici del dominio per generare programmi di produzione contestualizzati e allineati ai requisiti di produzione.

• Limitless AI (agente di riprogrammazione in tempo reale): monitora i segnali in tempo reale della fabbrica e regola autonomamente i programmi di produzione in risposta a interruzioni quali fermi macchina o carenze di materiali.

• Ameba (agente di pianificazione e programmazione integrato nell'ERP): integra pianificazione, programmazione e ottimizzazione delle scorte all'interno dei sistemi ERP per sincronizzare gli acquisti con le esigenze di produzione in tempo reale.

• Praxie (agente di pianificazione della produzione basato sull'intelligenza artificiale): si concentra sul miglioramento dei tempi di attività e della produttività senza controllare direttamente i macchinari o i sistemi di pianificazione a monte.
  

2. Controllo adattivo del processo

Agenti o piattaforme di intelligenza artificiale che controllano e ottimizzano attivamente i sistemi industriali in tempo reale attraverso cicli di feedback basati su apprendimento automatico/apprendimento per rinforzo.

• Nexus (agente autonomo di ottimizzazione dei processi): si integra con i controllori industriali per la messa a punto continua dei sistemi di produzione in termini di efficienza, qualità ed energia.

• Imubit (agente di ottimizzazione del processo a ciclo chiuso): collega l'analisi in tempo reale con le regolazioni dei setpoint per ottimizzare autonomamente le operazioni continue.

• Nexxa AI (agente di ottimizzazione dei processi multivariabili): esegue regolazioni in tempo reale su più variabili per raggiungere gli obiettivi operativi.

• Phaidra (agente di controllo di processo a basso consumo energetico): utilizza l'apprendimento per rinforzo per ridurre al minimo il consumo energetico mantenendo risultati di processo stabili.

• MakinaRocks (agente di ottimizzazione del controllo basato su sensori): sfrutta i dati dei sensori e delle serie temporali per strategie di controllo stabili e ad alte prestazioni. Funge anche da agente di diagnostica e controllo predittivo delle apparecchiature.

• Luffy AI (per applicazioni di controllo embedded): Controllori per il controllo in tempo reale, con basso consumo di dati e bassa potenza di calcolo, in ambito edge computing.

• Juna AI (per applicazioni di controllo): addestra politiche di controllo per bilanciare obiettivi multi-obiettivo (ad esempio energia, produttività e qualità).

3. Diagnostica delle apparecchiature e controllo predittivo

Gli agenti si concentravano sull'identificazione di deviazioni, anomalie o probabili guasti attraverso il monitoraggio e l'analisi passivi, spesso senza controllare direttamente il processo.

• MakinaRocks (agente di manutenzione predittiva): offre manutenzione predittiva tramite rilevamento delle anomalie e analisi dei dati dei sensori per anticipare i guasti e ridurre i tempi di inattività non pianificati.

• Retrocausale (agente diagnostico basato sull'apprendimento automatico): applica modelli di apprendimento automatico per il rilevamento delle anomalie e l'analisi delle cause profonde nei flussi di lavoro dei processi.

• Assimilazione (agente di manutenzione predittiva): monitora i segnali della macchina per prevedere il degrado e programmare la manutenzione preventiva.

• Avathon (agente di previsione dei guasti): utilizza l'analisi dei dati per prevedere le probabilità di guasto e consentire azioni preventive.

• Augury (agente di monitoraggio dello stato di salute delle macchine): analizza i dati di vibrazione e acustici per rilevare potenziali guasti meccanici.

• C3 AI (agente di monitoraggio degli asset aziendali): centralizza il monitoraggio degli asset e prevede le esigenze di manutenzione su larga scala.

Catena di approvvigionamento e gestione degli ordini

4. Informazioni sugli acquisti

Strumenti e agenti che gestiscono la negoziazione con i fornitori, l'ottimizzazione dell'approvvigionamento e l'automazione dei contratti.

• Pactum (agente autonomo di negoziazione degli acquisti): gestisce le negoziazioni con i fornitori per ottimizzare i termini contrattuali senza intervento umano.

• Nnamu (agente di automazione per contratti e approvvigionamento): automatizza la creazione e la gestione dei contratti utilizzando la generazione basata su LLM.

• Soff (agente di valutazione delle offerte): automatizza la valutazione delle offerte e la selezione dei fornitori.

• Arkestro (agente di previsione degli acquisti): applica l'analisi predittiva per migliorare le prestazioni di approvvigionamento in tempo reale.

• Rivio (agente per il flusso di lavoro degli acquisti): automatizza le azioni di acquisto a livello aziendale utilizzando dati interni.

5. Ottimizzazione della catena di approvvigionamento

5.1 Inventario e rifornimento:

• Kavida AI (agente di gestione del rischio di inventario e della catena di approvvigionamento): prevede le rotture di stock, monitora i rischi dei fornitori e automatizza il rifornimento per prevenire interruzioni.

5.2 Pianificazione e simulazione:

• Oii AI (agente di pianificazione della catena di approvvigionamento): utilizza la previsione della domanda, la simulazione e la modellazione per ridurre al minimo il rischio di inventario e migliorare la pianificazione.

5.3 Orchestrazione end-to-end:

• Regrello (agente di orchestrazione della catena di approvvigionamento): coordina i flussi di lavoro di approvvigionamento, gestione delle scorte e logistica per ottimizzare le operazioni di fornitura.

6. Logistica

Agenti e piattaforme di intelligenza artificiale che gestiscono percorsi, operazioni di magazzino e logistica di consegna.

• Mandel AI (agente di ottimizzazione dei percorsi logistici): ottimizza i percorsi di trasporto e i programmi di consegna adattandosi dinamicamente al traffico, ai ritardi e ai vincoli di capacità.

• Deepvu (agente di ottimizzazione per magazzino e consegne): migliora la produttività del magazzino e l'efficienza delle consegne utilizzando modelli predittivi che simulano i flussi degli ordini, i movimenti di inventario e le tempistiche di evasione.

• HappyRobot (agente di coordinamento della robotica di magazzino): coordina gli agenti robotici e la pianificazione delle attività di magazzino.

• Pando AI (agente di automazione logistica end-to-end): gestisce percorsi, eccezioni e evasione degli ordini lungo l'intera filiera logistica.

Stack di automazione

7. Agenti di esecuzione autonomi

Sistemi agentici integrati in sistemi fisici o flussi di lavoro digitali che svolgono compiti in modo indipendente.

• Agent Brick (agente AI a mosaico di Databrick): agenti di esecuzione di livello produttivo per flussi di lavoro aziendali, con valutazione basata su MLflow, governance di Unity Catalog, supporto per modelli AI Gateway e un catalogo MCP integrato per la gestione di strumenti e contesti a partire dal 2026. ¹⁰

• Rios (agente robotico per l'esecuzione di compiti): integra agenti di intelligenza artificiale nella robotica per l'esecuzione adattiva di compiti in officina.

8. Orchestrazione del sistema di controllo

Piattaforme agentiche che coordinano sistemi di controllo, flussi di lavoro e sistemi aziendali.

• Amesa (agente di orchestrazione industriale): collega sistemi di controllo, flussi di lavoro e operazioni tra sistemi distribuiti.

• Tomorrow Things (piattaforma di orchestrazione agente): Gestisce le interazioni a livello di risorsa e a livello di sistema tramite API e coordinamento della logica.

• Exlens AI (agente di orchestrazione industriale): integra diagnostica e controlli tra i sistemi tramite coordinamento agentico.

• Middleware / Factory OS (livello di orchestrazione basato su agenti): unifica sistemi di controllo eterogenei in un livello centralizzato per l'orchestrazione e l'automazione.

Intelligence in materia di qualità e ispezione

9. Agenti di ispezione visiva

Agenti/piattaforme di intelligenza artificiale che utilizzano la visione artificiale per il controllo qualità, il rilevamento dei difetti e l'individuazione delle anomalie.

9.1 Controllo qualità tramite visione artificiale:

• Cognex Vision AI (agente di ispezione qualità tramite visione artificiale): utilizza il deep learning per rilevare autonomamente difetti visivi complessi sulla linea di produzione in tempo reale.

9.2 Rilevamento dei difetti e controllo qualità:

• Zoho Creator (agente di rilevamento dei difetti): rileva e segnala le anomalie nell'output di produzione utilizzando il riconoscimento di modelli.

• Strumentale (agente QA automatizzato): non solo rileva i difetti, ma apprende dai dati di produzione per individuare nuove modalità di guasto, includendo analisi e feedback.

Collegamenti di riferimento

1.

OpenAI Frontier is a single platform to control your AI agents | The Verge

The Verge

2.

AI Based Production Scheduling: A Game Changer for Manufacturing

Praxie

3.

Deep Learning-Based Real Time Defect Detection for Optimization of Aircraft Manufacturing and Control Performance

MDPI

4.

Deep Learning-Based Real Time Defect Detection for Optimization of Aircraft Manufacturing and Control Performance

MDPI

5.

Industrial AI in action: How AI agents and digital threads will transform the manufacturing industries | The Microsoft Cloud Blog

Microsoft Cloud Blog

6.

Agentic AI: Single vs Multi-Agent Systems | Towards Data Science

Towards Data Science

7.

AI Workflow Automation: A New Era of Streamlined Processes | Quixy

Quixy

8.

Add the power of first-class AI to existing SCADA

9.

When Machines Think: How Actor-Based AI Agents Are Powering Predictive Maintenance

10.

Create an AI agent - Azure Databricks | Microsoft Learn

Cem Dilmegani

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017. AIMultiple fornisce informazioni a centinaia di migliaia di aziende (secondo SimilarWeb), tra cui il 55% delle aziende Fortune 500, ogni mese. Il lavoro di Cem è stato citato da importanti pubblicazioni globali come Business Insider, Forbes, Washington Post, società globali come Deloitte e HPE, ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione Europea. È possibile consultare l'elenco di altre aziende e risorse autorevoli che hanno citato AIMultiple. Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, responsabile acquisti tecnologici e imprenditore nel settore tecnologico. Ha fornito consulenza alle aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un report di McKinsey sulla digitalizzazione. Ha guidato la strategia tecnologica e gli acquisti di un'azienda di telecomunicazioni, riportando direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da zero in soli 2 anni. Il lavoro di Cem in Hypatos è stato oggetto di articoli su importanti pubblicazioni tecnologiche come TechCrunch e Business Insider. Cem partecipa regolarmente come relatore a conferenze internazionali di settore. Si è laureato in ingegneria informatica presso l'Università di Bogazici e ha conseguito un MBA presso la Columbia Business School.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento